清华大学计算机全球排名第一！ 领先于麻省理工和斯坦福等名校！

如果你觉得好的话，不妨分享到朋友圈。

根据US News的最新大学工科最新排名显示，清华大学排名全球第一，领先于麻省理工、斯坦福和哈佛等学校。另外，中国的华中科技大学，浙江大学也进入全球前十。

另一件让华人感到骄傲的事：ICCV2017计算机视觉的顶级大会的最佳论文和最佳学生论文公布，被本科毕业于清华大学的何凯明大神包揽，再次荣登王者宝座！

1.ICCV 2017的最佳论文奖（Marr prize）颁发给了Facebook AI实验室（FAIR）何恺明等人的论文《Mask R-CNN》。

摘要：我们提出一个概念上简单，灵活，通用的物体实例分割框架（object instance segmentation）。我们的方法能有效检测图像中的对象，同时为每个实例生成高质量的分割掩膜（segmentation mask）。我们将该方法称为 Mask R-CNN，是在 Faster R-CNN 上的扩展，即在用于边界框识别的现有分支上添加一个并行的用于预测对象掩膜（object mask）的分支。Mask R-CNN 的训练简单，仅比 Faster R-CNN 多一点系统开销，运行速度是 5 fps。此外，Mask R-CNN 很容易推广到其他任务，例如可以用于在同一个框架中判断人的姿势。

我们在 COCO 竞赛的3个任务上都得到最佳结果，包括实例分割，边界框对象检测，以及人物关键点检测。没有使用其他技巧，Mask R-CNN 在每个任务上都优于现有的单一模型，包括优于 COCO 2016 竞赛的获胜模型。我们希望这个简单而有效的方法将成为一个可靠的基准，有助于未来的实例层面识别的研究。

图1：用于实例分割的 Mask R-CNN 框架

Mask R-CNN 在概念上十分简单：Faster R-CNN 对每个候选物体有两个输出，即一个类标签和一个边界框偏移值。作者在 Faster R-CNN 上添加了第三个分支，即输出物体掩膜（object mask）。因此，Mask R-CNN 是一种自然而且直观的想法。但添加的 mask 输出与类输出和边界框输出不同，需要提取对象的更精细的空间布局。Mask R-CNN 的关键要素包括 pixel-to-pixel 对齐，这是 Fast/Faster R-CNN 主要缺失的一块。

2、ICCV 2017最佳学生论文颁发给了FAIR的《密集物体检测Focal Loss》何恺明也有参与

摘要：目前，最准确的目标检测器（object detector）是基于经由 R-CNN 推广的 two-stage 方法，在这种方法中，分类器被应用到一组稀疏的候选对象位置。相比之下，应用于规则密集的可能对象位置采样时，one-stage detector 有潜力更快、更简单，但到目前为止，one-stage detector 的准确度落后于 two-stage detector。在本文中，我们探讨了出现这种情况的原因。

我们发现，在训练 dense detector 的过程中遇到的极端 foreground-background 类别失衡是造成这种情况的最主要原因。我们提出通过改变标准交叉熵损失来解决这种类别失衡（class imbalance）问题，从而降低分配给分类清晰的样本的损失的权重。我们提出一种新的损失函数：Focal Loss，将训练集中在一组稀疏的困难样本（hard example），从而避免大量简单负样本在训练的过程中淹没检测器。为了评估该损失的有效性，我们设计并训练了一个简单的密集目标检测器 RetinaNet。我们的研究结果显示，在使用 Focal Loss 的训练时，RetinaNet 能够达到 one-stage detector 的检测速度，同时在准确度上超过了当前所有 state-of-the-art 的 two-stage detector。